論文の概要: QAS-QTNs: Curriculum Reinforcement Learning-Driven Quantum Architecture Search for Quantum Tensor Networks
- arxiv url: http://arxiv.org/abs/2507.12013v1
- Date: Wed, 16 Jul 2025 08:12:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-17 19:00:11.298818
- Title: QAS-QTNs: Curriculum Reinforcement Learning-Driven Quantum Architecture Search for Quantum Tensor Networks
- Title（参考訳）: QAS-QTN: 量子テンソルネットワークのための学習駆動量子アーキテクチャ探索
- Authors: Siddhant Dutta, Nouhaila Innan, Sadok Ben Yahia, Muhammad Shafique,
- Abstract要約: 本稿では,ハイブリッド量子強化学習と量子カリキュラム学習戦略を用いた新しいフレームワークを提案する。
我々は、最先端の古典的強化学習アルゴリズムを4つの量子化学習アルゴリズムと比較した。
実験の結果、量子化RLは古典的手法よりも著しく優れていた。
- 参考スコア（独自算出の注目度）: 6.12923730892552
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum Architecture Search (QAS) is an emerging field aimed at automating the design of quantum circuits for optimal performance. This paper introduces a novel QAS framework employing hybrid quantum reinforcement learning with quantum curriculum learning strategies, enabling learning agents to tackle increasingly complex quantum circuit design tasks. We benchmark four state-of-the-art classical reinforcement learning algorithms (A2C, PPO, DDQN, TD3) against their quantum-enhanced counterparts (QA2C, QPPO, QDDQN, QTD3) for optimizing variational quantum circuits (VQCs). Our approach progressively increases circuit depth and gate complexity during training, leveraging parameterized quantum circuits as function approximations. To improve learning efficiency and stability, all algorithms, both classical and quantum, are augmented with Prioritized Experience Replay (PER). Experimental results show that quantum-enhanced RL significantly outperforms classical methods. In a 2-qubit environment, PERQDDQN achieves a success probability of 0.46 with ~3,000 optimal successes, surpassing classical PERDDQN (0.42, ~2,400). In the more complex 3-qubit setting, PERQDDQN and PERQTD3 reach success probabilities of ~0.47, with optimal success counts of ~3,800 and ~3,600, respectively, outperforming their classical counterparts. Additionally, we apply our QAS-QTN approach to a classification problem, where the optimized quantum circuit achieves an accuracy of 90.33\%, outperforming quantum models consisting of random ansatz. This hybrid classical-quantum approach leads to faster convergence and more efficient quantum circuit designs, demonstrating its potential for advancing automated quantum architecture search.
- Abstract（参考訳）: 量子アーキテクチャサーチ(QAS)は、量子回路の設計を最適化して最適な性能を実現することを目的とした新興分野である。
本稿では,量子回路設計タスクの複雑化に対処する学習エージェントを実現するために,ハイブリッド量子強化学習と量子カリキュラム学習戦略を用いた新しいQASフレームワークを提案する。
可変量子回路(VQC)を最適化するために、最先端の古典的強化学習アルゴリズム(A2C, PPO, DDQN, TD3)を量子強化アルゴリズム(QA2C, QPPO, QDDQN, QTD3)と比較した。
本手法は、パラメータ化量子回路を関数近似として利用することにより、トレーニング中の回路深さとゲートの複雑さを徐々に増大させる。
学習効率と安定性を改善するため、古典的および量子的両方のアルゴリズムは、優先順位付き体験再生(PER)によって拡張される。
実験の結果、量子化RLは古典的手法よりも著しく優れていた。
2-qubit環境では、PERQDDQNは0.46で、古典的なPERDDQN(0.42, ~2,400)を上回り、3000の最適成功を達成している。
より複雑な3ビット設定では、PERQDDQN と PERQTD3 は ~0.47 の確率に達し、それぞれ ~3,800 と ~3,600 の最適成功数が古典的性能を上回っている。
さらに、QAS-QTNアプローチを分類問題に適用し、最適化された量子回路が90.33\%の精度を達成し、ランダムなアンサッツからなる量子モデルより優れていることを示す。
このハイブリッド古典量子アプローチは、より早く収束し、より効率的な量子回路設計をもたらす。
関連論文リスト
- VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [60.996803677584424]
変分量子回路(VQC)は、量子機械学習のための新しい経路を提供する。
それらの実用的応用は、制約付き線形表現性、最適化課題、量子ハードウェアノイズに対する鋭敏感といった固有の制限によって妨げられている。
この研究は、これらの障害を克服するために設計されたスケーラブルで堅牢なハイブリッド量子古典アーキテクチャであるVQC-MLPNetを導入している。
論文 参考訳（メタデータ） (2025-06-12T01:38:15Z) - Provably Robust Training of Quantum Circuit Classifiers Against Parameter Noise [49.97673761305336]
ノイズは、信頼できる量子アルゴリズムを達成するための大きな障害である。
本稿では,パラメータ化量子回路分類器のロバスト性を高めるための雑音耐性学習理論とアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-05-24T02:51:34Z) - Enhancing variational quantum algorithms by balancing training on classical and quantum hardware [1.8377902806196762]
量子ニューラルネットワークを用いた最大12キュービットハミルトニアンの変分量子固有解法(VQE)と量子位相分類
量子ニューラルネットワークを用いた最大12量子ビットハミルトニアンのVQEと量子位相分類を用いた6-18量子ハミルトニアンの基底状態推定手法の数値評価を行った。
論文 参考訳（メタデータ） (2025-03-20T17:17:58Z) - RH: An Architecture for Redesigning Quantum Circuits on Quantum Hardware Devices [6.959884576408311]
本稿では,量子ハードウェア上での大規模量子回路の再設計を実現するアーキテクチャを提案する。
ランダムな量子回路モジュールを標準のEQ-GANフレームワークにプリプションすることで、量子状態学習からユニタリ変換学習までその能力を拡張する。
論文 参考訳（メタデータ） (2024-12-30T12:05:09Z) - A Quantum-Classical Collaborative Training Architecture Based on Quantum
State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。
Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。
他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文 参考訳（メタデータ） (2024-02-23T14:09:41Z) - QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum
Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。
1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。
提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文 参考訳（メタデータ） (2024-01-10T22:33:00Z) - Quantum Imitation Learning [74.15588381240795]
本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。
量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。
実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
論文 参考訳（メタデータ） (2023-04-04T12:47:35Z) - Evolutionary-based quantum architecture search [0.0]
本稿では,高い表現力と訓練能力のバランスをとるために,進化型量子アーキテクチャ探索(EQAS)手法を提案する。
その結果,提案したEQASはパラメータ化の少ない最適なQCAを探索でき,より高い精度は3つのデータセットの分類タスクにEQASを適用して得られることがわかった。
論文 参考訳（メタデータ） (2022-12-01T10:51:58Z) - Quantum Neural Architecture Search with Quantum Circuits Metric and
Bayesian Optimization [2.20200533591633]
各量子状態に対するゲートの作用を特徴付ける新しい量子ゲート距離を提案する。
提案手法は、経験的量子機械学習の3つの問題において、ベンチマークを著しく上回っている。
論文 参考訳（メタデータ） (2022-06-28T16:23:24Z) - QuantumNAS: Noise-Adaptive Search for Robust Quantum Circuits [26.130594925642143]
ノイズノイズは、NISQ(Noisy Intermediate-Scale Quantum)コンピュータにおける鍵となる課題である。
可変回路と量子ビットマッピングのノイズ適応型共同研究のための,最初の包括的なフレームワークであるQuantumNASを提案し,実験的に実装した。
QMLタスクでは、QuantumNASは95%以上の2クラス、85%の4クラス、実際の量子コンピュータ上での10クラスの分類精度を初めて証明した。
論文 参考訳（メタデータ） (2021-07-22T17:58:13Z) - Quantum Architecture Search with Meta-learning [0.18899300124593643]
変分量子アルゴリズム(VQA)は、量子近似最適化アルゴリズム、変分量子コンパイル、および量子機械学習モデルに成功している。
量子アーキテクチャサーチ(QAS)は、古典的な最適化アルゴリズムによる量子回路の設計を自動化することを目的としている。
論文 参考訳（メタデータ） (2021-06-11T08:59:16Z) - Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。
QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。
数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文 参考訳（メタデータ） (2020-10-20T12:06:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。